ある日、過去の実験結果を見返そうとして、完全に手が止まりました。

「このスコア、どのパラメータで出したんだっけ？」
「確か前にも同じこと試してなかった？」
「人に説明しろって言われたら無理では？」

ノートブックは大量に増え、パラメータはその場書き換え、良さそうな結果はメモだけ残っている——
でも“再現できる実験”は1つも残っていない。

この記事は、
そんな「実験管理をちゃんとやらなかった結果、地味に詰んだ話」と、
そこから どうやって立て直そうとしたか を実体験ベースでまとめたものです。

今回は、実験管理の第一歩として、設定管理ツール Hydra を紹介します。

なぜ実験管理が「後回しにされがち」なのか

正直、最初は自分もこう思っていました。

とりあえず動けばいい
精度が出たらそれでOK
管理は後でやればいい

実際、最初のうちはこれで回ります。

パラメータを変えたらノートブックをコピー
実行のたびに値を書き換える
良さそうな結果だけメモしておく

でも、実験の回数が増えてくると、崩壊し始めます。

どの条件でその結果が出たのか分からない
すでに試した実験をもう一度やっている
「その結果どうやって出したの？」に答えられない

つまり、

再現できない、比較できない、説明できない

という状態になります。

実験管理は「試行錯誤を加速させる仕組み」

データサイエンスのプロジェクトは、いきなり本番に入ることはほとんどありません。
多くの場合、

このモデルは使えそうか？
この特徴量は効いているか？
精度はどこまで伸びるか？

といったことを検証する PoC（Proof of Concept） を何度も回します。

このフェーズでは、
「たくさん失敗できること」「安全にやり直せること」が何より重要です。

だからこそ、

どんな条件で
どんな実験をして
どんな結果が出たのか

を自動で、正確に、あとから辿れる形で残す必要があります。

そのための強力なツールが Hydra です。

Hydraは設定管理の「司令塔」

Pythonには実験管理ツールがいくつかありますが、Hydraはその中でも 「設定管理」 に特化したライブラリです。

主な機能は以下の通りです。

YAMLによる構造化: パラメータをコードから分離して管理できる
自動ロギング: 実行ごとに設定内容を自動保存してくれる
コマンドライン操作: コードを書き換えずにパラメータを変更できる

一言で言うと、
「実験条件をコードから切り離し、履歴として確実に残すための仕組み」です。

Hydraのインストール

pip install hydra-core

Hydraの基本的な使い方

Hydraでは、実験に関する設定を YAMLファイル として管理します。
YAMLを使う最大のメリットは、「コードを触らずに実験条件を切り替えられること」 です。

モデルを切り替えるたびに if 文を書いたり、ハイパーパラメータを Python ファイル内で直接書き換える必要がなくなります。

設定ファイルの構成例

例えば、以下のようなディレクトリ構成で設定を管理します。

.
├── conf
│   ├── config.yaml          # 全体の設定をまとめるファイル
│   └── model                # モデルごとの設定
│       └── lightgbm.yaml
└── train.py                 # 実行スクリプト

conf/model/lightgbm.yaml

# モデル名
name: LightGBM

# モデルのパラメータ
params:
  objective: binary
  max_bin: 300
  learning_rate: 0.1
  num_leaves: 40
  metric: auc
  verbose: -1

# 学習に関する設定
train:
  num_boost_round: 10000
  early_stopping_rounds: 100
  log_evaluation_period: 100

# クロスバリデーション設定
cv:
  n_splits: 5
  shuffle: true
  random_state: 23

conf/config.yaml

defaults:
  - model: lightgbm
  - _self_

# 実験名（メモ用途）
exp_name: "exp001_first_try"

defaults リストを使うことで、「どの設定ファイルを読み込むか」を明示的に管理できます。これを切り替えるだけで、使用するモデルやデータセットを変更できます。

スクリプト側の実装

Hydraでは、実行関数を @hydra.main で修飾します。

import hydra
from omegaconf import DictConfig, OmegaConf

# config_pathは実行ファイルからの相対パス、または絶対パス
@hydra.main(config_path="conf", config_name="config", version_base=None)
def main(cfg: DictConfig):
    print(f"Running Experiment: {cfg.exp_name}")
    print(f"Model: {cfg.model.name}")
    print(f"Learning Rate: {cfg.model.params.learning_rate}")

    # 辞書型として扱いたい場合は OmegaConf.to_container を使うのが確実です
    params = OmegaConf.to_container(cfg.model.params, resolve=True)
    print(f"Params: {params}")

    # ここに学習処理を書く
    # train_model(params, cfg.model.train)

if __name__ == "__main__":
    main()

cfg は DictConfig という型で、YAMLと同じ階層構造を持ったオブジェクトです。
cfg.model.train.num_boost_round のように、ドット区切りで直感的にアクセスできます。

実行してわかるHydraのメリット

スクリプトを実行してみます。

python train.py

実行すると、Hydraは自動的に outputs ディレクトリを作成し、その中に結果を保存します。

outputs/2026-02-17/22-00-00/
├── .hydra/
│   ├── config.yaml
│   ├── hydra.yaml
│   └── overrides.yaml
└── train.log

ここからわかるHydraのメリットは大きく3つあります。

① 実行ごとにフォルダが分かれる

実行するたびに「日時別」のフォルダが作成されます。
これにより、「いつ実行した実験か」 が物理的に区別され、結果が混ざることがなくなります。

② `.hydra/config.yaml` が最強のログになる

.hydra/config.yaml には、その実験を実行した時点での完全な設定 が保存されます。
たとえ元の conf/config.yaml を書き換えてしまっても、この出力フォルダ内のファイルを見れば、過去の実験条件を100%再現できます。

③ コマンドラインからの設定上書き

これが非常に便利です。

python train.py model.params.learning_rate=0.05 model.train.num_boost_round=200

このように実行すると、YAMLファイルを一切編集せずに、今回だけパラメータを変更 して実験できます。
上書きした内容は overrides.yaml に記録されるため、「コードは変えていないが設定だけ変えた」という事実も正確に残ります。

おわりに

Hydraを導入することで、
「パラメータを変えて実行」→「自動で履歴が残る」
というサイクルが自然に回るようになります。

これだけで「あの時の実験、どうやったっけ？」という悩みの大半は解消されます。

しかし、実験管理にはもう一つ重要な側面があります。
それは、「実験結果（精度や損失）の比較・可視化」 です。

Hydraでログは残せるようになりましたが、
「結局、どのパラメータの時に精度が一番良かったの？」
を一目で確認するには、別のツールが必要です。

そこで活躍するのが MLflow です。
MLflowについては、以下の記事で詳しく解説しています。

👉 【機械学習】MLflowで実験結果を「可視化・比較」する（記事リンク）

ぜひ、こちらも合わせて読んでみてください。
実験管理のストレスが劇的に減るはずです。

参考文献